案例背景：如今，饱受青睐的直播行业已进入“全民时代”，人人皆可为网络主播，人人皆有望成网络红人。不同于传统的文字、图片、视频等传播形式，直播紧密的将用户与直播内容交互在一起，受到了极大的追捧。网络直播迅速发展成为一种新的互联网文化业态。直播行为数据刻画了主播和用户的行为。通过爬取直播行为数据进行分析，可以对提高直播流量和主播的收入带来价值。案例原文详见谁在看直播。
案例数据提供了爬取的直播用户行为，每一列分别对应：房间编号（room_id），操作时间（time），用户名（user_name）以及操作类型（act_type）。数据的爬取时间是2017年4月27日至2017年6月27日。
这个案例的学习目标包括：
了解直播数据；
学会对直播数据做描述性分析，并且适当解读。
学会调用R的JavaScript可视化库，通过交互图做可视化。
学会基于RFM模型，分析用户价值。
清除工作环境，安装和加载一些需要的包。
分别找到数据863.tsv和1038864.tsv。读入样本数据，分别命名为room1和room2。这里你将学会读取tsv文件。提示：tsv文件的分隔符是什么？可以借助data.table包。
把数据中的操作时间列（time）转换为时间类型POSIXct。把两份数据rbind到一起，命名为room。体会rbind、cbind和merge的不同，谈谈你的理解。(合并之后通过head可以展示如下数据)
## room_id time user_name act_type
## 1: 863 2017-04-29 20:33:21 "逗比的世界充满爱o" "danmu"
## 2: 863 2017-04-29 20:33:22 "宝宝我被吓大的" "danmu"
## 3: 863 2017-04-29 20:33:24 "天使超神saber" "danmu"
## 4: 863 2017-04-29 20:33:25 "一季樱花MSN落雨殇" "danmu"
## 5: 863 2017-04-29 20:33:25 "隔壁安叔叔" "danmu"
## 6: 863 2017-04-29 20:33:27 "William陈伟霆z" "danmu"分房间统计用户操作数；分房间统计用户操作类型数。分析不同房间操作类型的差异。哪个房间的弹幕量多些？哪个房间的礼物量多些？结合你了解的直播，你能猜猜这些房间的类型是什么吗？提示：什么类型的房间，用户话多？什么类型的房间，用户打赏多？
## act_type
## room_id "danmu" "enter" "gift"
## 863 100715 16378 93884
## 1038864 78705 17944 138510分周内每天（周一、周二、依次类推）统计两个房间总的日均操作数，借助ggplot2包绘制条形图，并借助plotly包将其转换为动态图，分析结果，尝试解读。首先，你理解为什么要统计每天的日均操作量，而不是各天的操作总量吗？其次，尝试将鼠标停留在图上，你发现了什么？如果用鼠标选择一块区域呢？
分小时（0时、1时、依次类推）分房间统计房间操作数，并利用dygraph包，绘制交互时序图，分析一天中不同时间操作数的不同，尝试解读。Hint：注意没有操作的小时，操作数应为0。两个房间的流量有没有高峰期，高峰期是同样的吗？结合前面任务推测的房间类型，尝试分析这一现象。
基于RFM模型的指标维度是：
根据以上定义，计算两个房间总的按用户提取的RFM特征。思考这三个指标为什么可以反映用户价值？反映了用户哪方面的价值？特征值越大越好，还是越小越好？谈谈你的想法。
根据任务六提取的特征，对数据做summary，并进行分析。如何根据特征值评估用户价值呢？这两个房间分别有多少用户价值比较高？如果一个主播希望你从数据上给TA提供帮助，你会提出怎样的建议？提示：可以从流量和打赏两方面谈。
## user_name recency frequency monetary
## Length:56747 Min. : 0.00 Min. : 0.00 Min. : 1.000
## Class :character 1st Qu.:10.07 1st Qu.: 3.10 1st Qu.: 1.000
## Mode :character Median :19.13 Median : 20.46 Median : 1.000
## Mean :23.34 Mean : 104.75 Mean : 7.862
## 3rd Qu.:36.86 3rd Qu.: 60.69 3rd Qu.: 4.000
## Max. :61.26 Max. :13273.50 Max. :7623.000
## NA's :32721